[发明专利]一种基于风速分类的风速动态场景生成方法、系统及终端

说明书

本发明属于风速预测技术领域，公开了一种基于风速分类的风速动态场景生成方法、系统及终端，获取风速原始数据，提取可反映风速的随机性和波动性特征的两个指标；同时基于原始数据计算每日风速偏离度和变化率，并基于提取的指标进行k‑means聚类，得到四个聚类中心；建立历史数据和历史预报数据之间的模型关系，获取与预测风速配对的实际风速；在给定的预测风速条件下，拟合每一个分箱中的预测风速的条件经验分布；对预测风速数据进行k‑means聚类；基于两次k‑means聚类的结果，对实际数据和预测数据通过k‑means聚类后的两组聚类中心进行分析，生成风速动态场景。本发明的风速动态场景生成方法能更加准确地反映实际情况。

技术领域

本发明属于风速预测技术领域，尤其涉及一种基于风速分类的风速动态场景生成方法、系统及终端。

背景技术

目前，风力发电具有显著的随机性和波动性，且不受调度。随着我国风电并网比例逐渐增加，该问题日益严重，如何在电力系统规划与运行中充分考虑风电的随机性和波动性，以及多风电场间的相关性，并由风速的原始数据对风速进行合理的预报，是当今社会普遍关注的问题。

现有技术对风力发电进行研究时，往往考虑到风速的随机性和波动性，但是并没有对有不同特征的风速进行分类分析。现有技术1为解决风速间歇性、波动性等缺点对风力发电稳定性的影响，提出局域均值分解与时间序列相结合的方法，建立模型对风速进行预测；现有技术2针对风速的不确定性和波动性，提出了一种基于CSA算法、小波变换、基于熵和互信息(MI)的特征选择(FS)四个模块的混合风速预测模型，利用小波变换模块消除风速的波动行为；现有技术3提出一种基于变分模态分解(VMD)和长短期记忆网络(LSTM)的超短期风速预测新方法。

上述现有技术用建模的方法消除风速不确定性和波动性的影响，可以显著提高风速预测的精度，但是并没有提取出风速的特征，并对不同特征的风速进行分类分析。根据历史数据提取出可以良好反应风速的不确定性和波动性的指标，并对其进行聚类，可以得到合理的风速分类方法，对不同类型风速分别分析，可以使预测结果更加精准。

现有技术4针对相关性进行建模，对风速进行多元标准正态分布拟合，通过构建协方差参数来表征跨时间断面风电功率的相关性，从而生成了体现风电功率波动性的动态场景。现有技术5用t location-scale分布拟合风电功率波动量来进行参数辨识；现有技术6用MATLAB工具中ksdensity函数与协方差参数建模方法相结合来识别范围参数。上述方案均用抽样的方法来进行参数辨识，而抽样方法的局限性，可能会导致模拟抽样得到的模拟分布函数可能会出现部分区间的过拟合想象，影响整体的辨识结果，造成系统误差。而通过聚类的方法，把相似的数据放在一起比较，可以避免过拟合，对误差的容忍度较大，得到的预测结果更加精确。且在参数的辨识过程中，运用极坐标的方法来确定最优范围参数，可以对多向量的相似性进行比较，可以很好的解决聚类中心匹配的问题。

目前，解决风速随机性和波动性问题的方法，未曾考虑到对风速分类的问题，且在预测精度方面有所欠缺。

通过上述分析，现有技术存在的问题及缺陷为：现有技术没有对风速进行分类，预测精度低，生成的风速动态场景不能准确反映现实。

发明内容

针对现有技术存在的问题，本发明提供了一种基于风速分类的风速动态场景生成方法、系统及终端。

本发明是这样实现的，一种基于风速分类的风速动态场景生成方法，所述基于风速分类的风速动态场景生成方法包括：

步骤一，获取风速原始数据，并自原始数据中提取可反映风速的随机性和波动性特征的两个指标；同时基于原始数据计算每日风速偏离度和变化率，并基于提取的指标进行k-means聚类，得到四个聚类中心；

步骤二，利用季节性的ARIMA模型对历史数据进行预测，用分箱理论对预测数据进行分箱，建立历史数据和历史预报数据之间的模型关系，获取与预测风速配对的实际风速；